大数据人工智能培训讲师老师：叶梓简介人工智能讲师ai讲师大数据讲师人工智能老师

上海交通大学计算机专业博士毕业，在校期间的主研方向为数据挖掘、机器学习、人工智能。毕业后即进入某大型软件上市公司从事大数据、人工智能等技术相关工作，曾先后作为技术经理或总工程师，负责大型信息平台、市级信息平台的建设工作，并参与省级信息平台的建设；主持制定了包括多份信息化工程标准。在大数据应用、人工智能等方面都有着丰富的经验。个人助理QQ：526346584

案例及课程：

主要课程：

《数据分析与数据挖掘导论》
《机器学习与深度学习》
《基于深度学习的计算机视觉》
《强化学习与深度强化学习》
《强化学习》
《大数据》

人工智能咨询项目案例：

人工智能实践方案人工智能环保《生化池污水池处理》项目案例技术路线详解：

需求要点
1. 客户提供生化池曝气图片作为训练样本，图片需根据生化池曝气情况划分为优良、中、差三级等级曝气质量（目前优良类图片比较充足，中、差等级的样本量不足）；
2. 算法需具备自学习功能，可先行根据客户提供生化池不同等级曝气质量图片进行自学习，后续将根据其他样品图片验证其算法正确性；
3. 等级“优良”是指曝气比较均匀，存在较多气泡，且气泡相对均匀地分布在水面各处；等级“差”是指水面气泡很少，或几乎没有气泡；等级“中”是介于两者之间的情况（暂未有具体示例）。
4. 客户可对软件所识别图片曝气质量等级进行修正，并将结果反馈给软件系统，可对算法进行持续优化。

技术路径概述
1. 人工智能水面区域定位。由于图片角度和视域的关系，图片中水面区域所处的位置、形状都是不确定的，（如：左图水面区域为中部及右下方近似的五边形；右图水面区域为下部的近似五边形）；为了分析水面上的气泡，必须先自动识别出水面区域。

1. 人工智能计算机视觉区分气泡与泥浆。直观的看，气泡是水面上色彩接近白色的区域；泥浆是水面上色彩接近褐色的区域。但由于光照的影响，客户提供的图片中的气泡和泥浆的色彩都会有比较大的偏差：

选自图片3 选自图片19

在图片3中，气泡的色彩范围大约是（180~225，180~225，180~225）；泥浆的色彩范围大约是（165~200,165~200,165~200）；色彩范围有重叠，且整体色调偏灰（RGB三者接近相等）。

在图片19中，气泡的色彩范围大约是（115~150，100~130，70~110）；泥浆的色彩范围大约是（60~110,45~100,30~75），也有重叠，且整体色调偏褐，相对于图3，本图整体亮度都要低一些。

因此，用统一的人工智能算法兼顾两者是关键，必须采用更具“鲁棒性”的方法来区分气泡和泥浆。

1. 气泡存在性分析。当气泡不存在或极少时，上述基于色彩阈值或色差对比的算法就可能失效，还需要依靠与色彩无关的形态学特征来识别是否有气泡。

几乎无气泡的场景——选自图片25

1. 采用人工智能的方法气泡均匀性分析。样本量比较少时的初步方法是，先根据色彩、色差或形态学特征来发现气泡区域，再计算气泡的比例；然后将水面区域划分成若干小块，分别计算相关比例，并计算其分布的均匀性。当样本量积累到一定量级时，可利用深度学习等算法采用“无先验特征提取”的方式直接给出“均匀等级”的标签。

关键技术点
1. 人工智能图像分割用于区分泥浆区域和气泡区域。其基本原理是：根据图像的灰度、颜色、结构、形态等特征将图像分割成若干个互不交叠的区域。一般有三种方法：1、基于阈值分割方法：其中阈值是指图像的灰度特征；2、基于边缘的分割方法，图像边缘指的是图像中不同区域边界上连续像素点的集合，是图像局部特征不连续的体现；3、基于区域生长的分割方法，根据同一物体区域内象素的相似性质来聚集象素点。
2. 利用人工智能CLAHE实现泥浆和气泡对比度调整。如果图像中泥浆和气泡的灰度值在一个过于狭窄范围内聚集，则难以直接通过前述方法区分两者，图像的直接观感就是对比度弱。CLAHE的基本思想就是把直方图均匀地延展到整个分布域内，用于增加图像的对比度。但对于一幅图像而言，不同区域的对比度可能差别很大，如果采用单一的直方图来对其进行调整显然并非最佳选择，应采用基于分块处理的思想自适应的直方图均衡算法。
3. 通过人工智能HOG描述气泡的形态学特征。方向梯度直方图（HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。其主要思想是：在一副图像中，局部目标的表象和形态能够被梯度或边缘的方向密度分布很好地描述。具体的实现方法是：首先将图像分成小的连通区域（称之为细胞单元），然后采集细胞单元中各像素点的梯度的或边缘的方向直方图，最后把这些直方图组合起来就可以构成特征描述器。
4. 基于人工智能深度学习直接给出曝气质量等级。深度学习是近十年来AI领域取得的最重要突破，它在NLP、CV、DIP等领域的应用都取得了巨大成功。现有的深度学习模型都属于神经网络的拓展，它与传统模式识别方法的最大不同在于它所采用的特征是从大数据中自动学习得到，而非采用手工设计。（由于缺乏足够的“中、差”等级样本，该算法暂时不能进行验证效果）。